CN112923534A - 基于神经网络和改进粒子群算法的中央空调系统优化方法和系统 - Google Patents
基于神经网络和改进粒子群算法的中央空调系统优化方法和系统 Download PDFInfo
- Publication number
- CN112923534A CN112923534A CN202110264429.1A CN202110264429A CN112923534A CN 112923534 A CN112923534 A CN 112923534A CN 202110264429 A CN202110264429 A CN 202110264429A CN 112923534 A CN112923534 A CN 112923534A
- Authority
- CN
- China
- Prior art keywords
- particle
- iteration
- optimization
- central air
- moment
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/62—Control or safety arrangements characterised by the type of control or by internal processing, e.g. using fuzzy logic, adaptive control or estimation of values
- F24F11/63—Electronic processing
- F24F11/64—Electronic processing using pre-stored data
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/50—Control or safety arrangements characterised by user interfaces or communication
- F24F11/56—Remote control
- F24F11/58—Remote control using Internet communication
Landscapes
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Human Computer Interaction (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明提供了一种基于神经网络和改进粒子群算法的中央空调系统优化方法和系统,包括:步骤1:对中央空调历史数据应用神经网络进行黑箱建模;步骤2:对中央空调系统运行时进行改进粒子群算法优化;步骤3:应用云计算平台实现云端的算法优化和指令下达。本发明综合考虑系统负荷和控制对系统能耗的影响,优化冷却塔风机频率,冷却水泵和冷冻水泵频率,以及冷水机组出水温度,使冷水系统的综合能耗最低。
Description
技术领域
本发明涉及能源与节能技术领域,具体地,涉及一种基于神经网络和改进粒子群算法的中央空调系统优化方法和系统。
背景技术
我国的建筑用能约占全国能源消耗总量的30%,并将随着人民生活水平的逐步提高而不断增加,而暖通空调系统约占建筑能耗的40%~60%,所以暖通空调的节能优化是整个建筑节能的重点。
中央空调运行需要考虑环境和季节变化、使用时间、人员变化等多种因素的综合影响,且其变化过程中存在严重的迟滞效应和非线性变化。传统的控制方法,如恒温查变流量控制,或固定冷却水回水温度控制等对于系统的节能效果并不好。随着大数据时代的到来,计算机性能的增强使得复杂的机器学习算法可以应用于中央空调的优化问题上。
专利文献CN102980272A(申请号:CN201210526338.1)公开了一种基于负荷预测的空调系统节能优化方法,利用历史数据,预测出未来时刻空调系统的负荷,然后利用粒子算法,优化空调系统的能耗模型,得到该负荷条件下的最优运行参数,再根据系统的实时滞后时间,提前对系统的各参数变量进行控制。
发明内容
针对现有技术中的缺陷,本发明的目的是提供一种基于神经网络和改进粒子群算法的中央空调系统优化方法和系统。
根据本发明提供的基于神经网络和改进粒子群算法的中央空调系统优化方法,包括:
步骤1:对中央空调历史数据应用神经网络进行黑箱建模;
步骤2:对中央空调系统运行时进行改进粒子群算法优化;
步骤3:应用云计算平台实现云端的算法优化和指令下达。
优选的,通过四分位法对历史数据进行数据清洗,在数据清洗完成后,通过系统负荷变换情况和控制策略对构建模型的数据进行筛选。
优选的,在改进粒子群优化过程中,根据中央空调系统的热惯性,对优化过程中涉及的温度限制为±0.3℃,对涉及的频率限制为5Hz。
优选的,确定优化的目标函数,对于整个中央空调系统,优化的目标选择为系统的单耗UC:
E表示整个系统的能耗;Q表示系统提供的冷负荷。
优选的,初始化优化的粒子群优化的粒子个数n,确定粒子群优化过程中的学习因子c1和c2,粒子的初始位置X,以及优化的范围在[Xmin,Xmax],X为优化变量组成的5维数组,粒子的初始寻优速度V,以及最大的粒子寻优速度Vmax;
计算每个粒子的个体适应度,带入模型进行计算,对第i个粒子,计算该粒子的整个模型的耗能,记为Einit,i,计算该粒子的系统模型是否可以满足此时的末端负荷情况,记此时的模型计算结果为Qinit,i,计算此时系统的单耗UCinit,i;
保留此时的各粒子的适应度情况,记此时初始化完各个粒子的情况认为是粒子的个体最优情况,集为Pbest,即保留此时各个粒子的耗能、可满足的末端负荷以及该粒子的单耗,并在各个粒子中,选取满足条件的粒子,以其单耗为目标,选择全局最优的粒子,记此时粒子的状态为Gbest;
粒子群进行迭代,对于粒子i:
Vi=Vi+c1×rand()×(Pbest,i-Xi)+c2×rand()×(gbesti-Xi)
其中,Pbest,i,j-1表示第j-1次迭代过后,整个迭代过程中粒子i个体的最优位置;Gbest,i,j-1表示第j-1次迭代过后,迭代过程中全局所有粒子中最优的位置;Xi,j-1表示粒子i在第j-1次迭代的位置;rand是介于(0,1)之间的随机数;
则其粒子位置Xi的迭代:
Xi=Xi+Vi
其中,i表示第i个位置,j表示迭代的代数,X表示粒子的位置,V表示粒子的速度;
在第j次迭代中,对第i个粒子,计算该粒子的整个模型的耗能,记为Ei,j,计算该粒子的系统模型是否可以满足此时的末端负荷情况,记此时的模型计算结果为Qi,j,计算此时系统的单耗UCi,j;
比较第j次迭代中个体的适应度和之前个体最优值的大小,即比较UCi,j和Pbest,i的关系,若第j次迭代的个体适应度较优,则更新其个体最优值,将其作为新的个体最优值Pbest;将所有的个体最优值与总体最优值Gbest进行比较,若第i个粒子的个体最优值较之前总体最优值较优,则更新总体最优值,将其作为新的总体最优值Gbest;
迭代优化停止过程,当迭代次数达到预设最大迭代次数或持续多次迭代过程变化量小于预设数值时,则认为迭代完成,终止整个优化算法;
输出迭代完成后的全局最优值作为整个中央空调能耗系统的最佳节能效果值,并输出此时的X值,作为控制变量;
计算完成之后,将云计算平台上的结果传入数据库,并通过数据库传出指令到中央空调系统的控制器,进行实时的控制过程。
根据本发明提供的基于神经网络和改进粒子群算法的中央空调系统优化系统,包括:
模块M1:对中央空调历史数据应用神经网络进行黑箱建模;
模块M2:对中央空调系统运行时进行改进粒子群算法优化;
模块M3:应用云计算平台实现云端的算法优化和指令下达。
优选的,通过四分位法对历史数据进行数据清洗,在数据清洗完成后,通过系统负荷变换情况和控制策略对构建模型的数据进行筛选。
优选的,在改进粒子群优化过程中,根据中央空调系统的热惯性,对优化过程中涉及的温度限制为±0.3℃,对涉及的频率限制为5Hz。
优选的,确定优化的目标函数,对于整个中央空调系统,优化的目标选择为系统的单耗UC:
E表示整个系统的能耗;Q表示系统提供的冷负荷。
优选的,初始化优化的粒子群优化的粒子个数n,确定粒子群优化过程中的学习因子c1和c2,粒子的初始位置X,以及优化的范围在[Xmin,Xmax],X为优化变量组成的5维数组,粒子的初始寻优速度V,以及最大的粒子寻优速度Vmax;
计算每个粒子的个体适应度,带入模型进行计算,对第i个粒子,计算该粒子的整个模型的耗能,记为Einit,i,计算该粒子的系统模型是否可以满足此时的末端负荷情况,记此时的模型计算结果为Qinit,i,计算此时系统的单耗UCinit,i;
保留此时的各粒子的适应度情况,记此时初始化完各个粒子的情况认为是粒子的个体最优情况,集为Pbest,即保留此时各个粒子的耗能、可满足的末端负荷以及该粒子的单耗,并在各个粒子中,选取满足条件的粒子,以其单耗为目标,选择全局最优的粒子,记此时粒子的状态为Gbest;
粒子群进行迭代,对于粒子i:
Vi=Vi+c1×rand()×(Pbest,i-Xi)+c2×rand()×(gbesti-Xi)
其中,Pbest,i,j-1表示第j-1次迭代过后,整个迭代过程中粒子i个体的最优位置;Gbest,i,j-1表示第j-1次迭代过后,迭代过程中全局所有粒子中最优的位置;Xi,j-1表示粒子i在第j-1次迭代的位置;rand是介于(0,1)之间的随机数;
则其粒子位置Xi的迭代:
Xi=Xi+Vi
其中,i表示第i个位置,j表示迭代的代数,X表示粒子的位置,V表示粒子的速度;
在第j次迭代中,对第i个粒子,计算该粒子的整个模型的耗能,记为Ei,j,计算该粒子的系统模型是否可以满足此时的末端负荷情况,记此时的模型计算结果为Qi,j,计算此时系统的单耗UCi,j;
比较第j次迭代中个体的适应度和之前个体最优值的大小,即比较UCi,j和Pbest,i的关系,若第j次迭代的个体适应度较优,则更新其个体最优值,将其作为新的个体最优值Pbest;将所有的个体最优值与总体最优值Gbest进行比较,若第i个粒子的个体最优值较之前总体最优值较优,则更新总体最优值,将其作为新的总体最优值Gbest;
迭代优化停止过程,当迭代次数达到预设最大迭代次数或持续多次迭代过程变化量小于预设数值时,则认为迭代完成,终止整个优化算法;
输出迭代完成后的全局最优值作为整个中央空调能耗系统的最佳节能效果值,并输出此时的X值,作为控制变量;
计算完成之后,将云计算平台上的结果传入数据库,并通过数据库传出指令到中央空调系统的控制器,进行实时的控制过程。
与现有技术相比,本发明具有如下的有益效果:
(1)本发明通过建立系统部件的灰箱模型,解决了针对实际模型,理论模型精度较差的问题;
(2)本发明采用改进的粒子群算法寻优,其来源于对一个简化社会模型的模拟,通过对动物社会行为的观察,发现在群体中信息对社会共享演化的优势,优化方法的思想简单,优化的结果稳定,精度较高;
(3)本发明采取的优化变量都是在中央空调系统中可控的参数,对于系统的控制更为精确,可以得到在满足系统当前负荷的情况下的系统的工作参数,冷却塔冷却水的出水温度T_cdw_in和冷却塔风机的频率F_f,冷却水泵的频率F_cd,冷机的供水温度T_chw_in,以及冷冻水泵的频率F_ch。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1为本发明的全部基本流程图;
图2为本发明的优化流程图;
图3为本发明使用的改进粒子群示意图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明,但不以任何形式限制本发明。应当指出的是,对本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变化和改进。这些都属于本发明的保护范围。
实施例:
本发明涉及中央空调系统综合运行能效优化,旨在对于已有建筑,进行基于神经网络和改进粒子群算法的全局能效优化。前期对于历史数据进行神经网络建模,采用历史数据结合神经网络的灰箱建模方法;在优化过程中,首先获取中央空调系统的系统状态,之后对系统的状态进行条件判断,对于可能存在的传感器精度误差进行修正,之后云平台对于采集到的系统运行数据应用改进粒子群算法以最佳单耗为目标进行智能寻优,最后寻优完成后进行指令的下发及控制,达到系统节能的效果。
如图1,根据本发明提供的基于神经网络和改进粒子群算法的中央空调系统优化方法,包括如下步骤:
步骤一:模型构建:
对于从中央空调BA系统得到的数据进行分析,首先对数据按照四分位法进行数据清洗,删除由于传感器故障、噪声、以及其他原因导致的异常数据。
数据筛选完成后,对建模所需的数据进行提取,对于冷水机组,建模所需的变量有冷却水的进水温度T_cdw_in,冷却水的出水温度T_cdw_out,冷冻水的供水温度T_chw_in,冷冻水的回水温度T_chw_out,冷冻水的流量M_chw。
按照3隐藏层神经网络建模,第一隐藏层输出变量个数为64,第二隐藏层输出变量为32,第三隐藏层输出变量为1。对于冷水机组进行建模,构建输入变量与输出变量的关系。
对于冷却塔模型,采用另一种形式的神经网络进行建模,建模的输入变量为冷却水的进水温度T_cdw_in,冷却水的出水温度T_cdw_out,冷却水的流量M_cdw,以及当前环境的温度T和湿度H。采用四层神经网络进行建模,第一隐藏层的输出变量个数为64,第二隐藏层的输出变量个数为32,第三隐藏层的输出变量个数为16,第四隐藏层的输出变量个数为2,对于冷却塔风机风量和冷却塔的风机频率进行输出。
对于冷却水泵和冷冻水泵模型,建模所需的变量为冷却水流量M_cdw和M_chw。水泵的流量和频率由灰箱模型知为:
M_cdw=a×F_cd
M_chw=b×F_ch
其中a、b是由神经网络拟合的参数;
F_cd表示冷却水泵泵频率;F_ch表示冷冻水泵泵频率;
水泵的功耗与水泵的频率由物理模型为:
E_cdp=c×F_cd3
E_chp=c×F_ch3
步骤二:运行优化:
如图2,首先对中央空调的BA系统中的数据进行采集并上传到云端数据库。对于上传到云端的数据,对于系统运行工况查看是否稳定,对采集到的系统运行负荷进行分析,如最近10分钟的数据进行分析,若最近十分钟的数据,以冷冻泵频率变化0.3Hz为优化判断条件,若该10分钟冷冻泵频率变化在0.3Hz以外,,则认为此时的系统运行在不稳定的工况。若系统稳定,则进行下一步的改进粒子群算法优化。
在优化过程中,导入此时的环境参数,以此时系统的温度T和湿度H为已知变量,调用热物性计算数据库COOLPROP,计算此时空气的湿球温度Twb和此时湿空气的焓值h等系统的环境参数。
对系统当前运行的参数同时也导入优化计算。即优化的变量:冷却塔冷却水的出水温度T_cdw_in和冷却塔风机的频率F_f,冷却水泵的频率F_cd,冷机的供水温度T_chw_in,以及冷冻水泵的频率F_ch。
由于中央空调系统有着极大的惯性,所以对系统中参数的调整不能幅度太大。
在改进粒子群算法中,首先导入要优化的参数范围,优化参数的维度为5维,即冷却塔冷却水的出水温度T_cdw_in和冷却塔风机的频率F_f,冷却水泵的频率F_cd,冷机的供水温度T_chw_in,以及冷冻水泵的频率F_ch。
优化的目标函数为系统的单耗,即UC,
E表示整个系统的能耗,Q表示系统提供的冷负荷。
如图3,对于改进粒子群算法,优化变量需要在一定范围内优化,考虑中央空调系统的热惯性,对于系统冷却水和冷冻水温度的变化范围,单次优化限制在±0.3℃内,而对于水泵和风机流量的变化范围,单次优化限制在5Hz内。
改进粒子群算法,系统初始化,粒子群的个数为n,n在问题中取100,对于每一个粒子Xi,粒子的维度都是5维。粒子初始化,对每个粒子在优化范围内进行随机赋值。粒子群优化中学习因子c1和c2取算法的常规值2。
初始化粒子的评价,对粒子i的单耗进行计算,第i个粒子,计算该粒子的整个模型的耗能,记为Einit,i,计算该粒子的系统模型是否可以满足此时的末端负荷情况,记此时的模型计算结果为Qinit,i,计算此时系统的单耗UCinit,i。
对于粒子i,由冷机的模型计算此时冷机满足负荷的情况,并计算冷水机组的能耗E_chiller。此时冷水机组的冷却侧进出水温度和冷冻侧进出水温度与冷塔的温度进行耦合,对于冷塔计算,应用上式提到的公式,冷塔需要满足的负荷是系统的热负荷和冷机工作产生的热负荷。对应冷却塔的能耗计算,计算冷却塔的能耗E_ct。冷却水流量和冷冻水流量与优化中用到的变量相匹配,应用相匹配的冷却水流量和冷冻水流量,计算对应的冷却水泵的频率F_cd和冷冻水泵的频率F_ch。
优化算法的迭代,在迭代中的一次,对于粒子i:
Vi,j=Vi,j-1+c1×rand()×(Pbest,i,j-1-Xi-1)+c2×rand()×(gbesti,j-1-Xi,j-1)
Pbest,i,j-1表示第j-1次迭代过后,整个迭代过程中粒子i个体的最优位置;Gbest,i,j-1表示第j-1次迭代过后,迭代过程中全局所有粒子中最优的位置;Xi,j-1表示粒子i在第j-1次迭代的位置;rand是介于(0,1)之间的随机数。
则其粒子位置Xi的迭代:
Xi,j=Xi,j-1+Vi,j-1
其中,i表示第i个位置,j表示迭代的代数,X表示粒子的位置,V表示粒子的速度。
对于常规的粒子群算法,粒子的位置更新是连续的,但对于中央空调系统,由于系统的开停状态是离散值,需要的对系统的开停状态进行限制,对于系统开停状态的更新需考虑两个因素,1、当前系统的开停状态。2、改变系统开停状态后系统的变化情况。
且对于改进粒子群算法,由于中央空调系统的温度控制一般保持在2位小数,故对系统的优化变量Xi中的冷却塔冷却水的出水温度T_cdw_in和冷机的供水温度T_chw_in以小数点后2位进行迭代。
这样的改进,即减小了粒子群算法的计算复杂度,又相对提高了优化算法的计算稳定性。
但由于中央空调系统的计算维度较高,本问题中涉及的问题有5维,优化算法的计算稳定性存在误差。故对于同样的边界条件,利用云计算平台的优越性,多线程的同时进行多次优化,当多次优化的结果一致时,认为优化的结果稳定,可以将优化的结果输出。
粒子群的更新过程,在第j次迭代中,对第i个粒子,计算该粒子的整个模型的耗能,记为Ei,j,计算该粒子的系统模型是否可以满足此时的末端负荷情况,记此时的模型计算结果为Qi,j,计算此时系统的单耗UCi,j。
比较第j次迭代中个体的适应度和之前个体最优值的大小,即比较UCi,j和Pbest,i的关系,若第j次迭代的个体适应度较优,则更新其个体最优值,将其作为新的个体最优值Pbest。将所有的个体最优值与总体最优值Gbest进行比较,若第i个粒子的个体最优值较之前总体最优值较优,则更新总体最优值,将其作为新的总体最优值Gbest。
迭代优化停止过程,当迭代次数达到最大迭代次数Epoch,在本发明中,Epoch取100或持续10次迭代过程变化量小于一定数值时,则认为迭代完成,终止整个优化算法。
输出迭代完成后的全局最优值作为整个中央空调能耗系统的最佳节能效果值。并输出此时的X值,作为控制变量。
步骤三:指令下发
计算完成之后,将优化算法计算得到的控制变量,传入云端平台,由云端数据平台进行指令的下发,指令经由系统控制端的控制器下发到中央空调系统,对中央空调系统的能耗进行优化。
整个优化算法在云端计算机中实时进行计算,优化的间隔为1分钟,即每分钟都会对系统的稳定情况及能耗进行进行判断。并根据优化算法的推荐,对于中央空调系统运行状况进行修正。
本领域技术人员知道,除了以纯计算机可读程序代码方式实现本发明提供的系统、装置及其各个模块以外,完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统、装置及其各个模块以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同程序。所以,本发明提供的系统、装置及其各个模块可以被认为是一种硬件部件,而对其内包括的用于实现各种程序的模块也可以视为硬件部件内的结构;也可以将用于实现各种功能的模块视为既可以是实现方法的软件程序又可以是硬件部件内的结构。
以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于上述特定实施方式,本领域技术人员可以在权利要求的范围内做出各种变化或修改,这并不影响本发明的实质内容。在不冲突的情况下,本申请的实施例和实施例中的特征可以任意相互组合。
Claims (10)
1.一种基于神经网络和改进粒子群算法的中央空调系统优化方法,其特征在于,包括:
步骤1:对中央空调历史数据应用神经网络进行黑箱建模;
步骤2:对中央空调系统运行时进行改进粒子群算法优化;
步骤3:应用云计算平台实现云端的算法优化和指令下达。
2.根据权利要求1所述的基于神经网络和改进粒子群算法的中央空调系统优化方法,其特征在于,通过四分位法对历史数据进行数据清洗,在数据清洗完成后,通过系统负荷变换情况和控制策略对构建模型的数据进行筛选。
3.根据权利要求1所述的基于神经网络和改进粒子群算法的中央空调系统优化方法,其特征在于,在改进粒子群优化过程中,根据中央空调系统的热惯性,对优化过程中涉及的温度限制为±0.3℃,对涉及的频率限制为5Hz。
5.根据权利要求1所述的基于神经网络和改进粒子群算法的中央空调系统优化方法,其特征在于,初始化优化的粒子群优化的粒子个数n,确定粒子群优化过程中的学习因子c1和c2,粒子的初始位置X,以及优化的范围在[Xmin,Xmax],X为优化变量组成的5维数组,粒子的初始寻优速度V,以及最大的粒子寻优速度Vmax;
计算每个粒子的个体适应度,带入模型进行计算,对第i个粒子,计算该粒子的整个模型的耗能,记为Einit,i,计算该粒子的系统模型是否可以满足此时的末端负荷情况,记此时的模型计算结果为Qinit,i,计算此时系统的单耗UCinit,i;
保留此时的各粒子的适应度情况,记此时初始化完各个粒子的情况认为是粒子的个体最优情况,集为Pbest,即保留此时各个粒子的耗能、可满足的末端负荷以及该粒子的单耗,并在各个粒子中,选取满足条件的粒子,以其单耗为目标,选择全局最优的粒子,记此时粒子的状态为Gbest;
粒子群进行迭代,对于粒子i:
Vi=Vi+c1×rand()×(Pbest,i-Xi)+c2×rand()×(gbesti-Xi)
其中,Pbest,i,j-1表示第j-1次迭代过后,整个迭代过程中粒子i个体的最优位置;Gbest,i,j-1表示第j-1次迭代过后,迭代过程中全局所有粒子中最优的位置;Xi,j-1表示粒子i在第j-1次迭代的位置;rand是介于(0,1)之间的随机数;
则其粒子位置Xi的迭代:
Xi=Xi+Vi
其中,i表示第i个位置,j表示迭代的代数,X表示粒子的位置,V表示粒子的速度;
在第j次迭代中,对第i个粒子,计算该粒子的整个模型的耗能,记为Ei,j,计算该粒子的系统模型是否可以满足此时的末端负荷情况,记此时的模型计算结果为Qi,j,计算此时系统的单耗UCi,j;
比较第j次迭代中个体的适应度和之前个体最优值的大小,即比较UCi,j和Pbest,i的关系,若第j次迭代的个体适应度较优,则更新其个体最优值,将其作为新的个体最优值Pbest;将所有的个体最优值与总体最优值Gbest进行比较,若第i个粒子的个体最优值较之前总体最优值较优,则更新总体最优值,将其作为新的总体最优值Gbest;
迭代优化停止过程,当迭代次数达到预设最大迭代次数或持续多次迭代过程变化量小于预设数值时,则认为迭代完成,终止整个优化算法;
输出迭代完成后的全局最优值作为整个中央空调能耗系统的最佳节能效果值,并输出此时的X值,作为控制变量;
计算完成之后,将云计算平台上的结果传入数据库,并通过数据库传出指令到中央空调系统的控制器,进行实时的控制过程。
6.一种基于神经网络和改进粒子群算法的中央空调系统优化系统,其特征在于,包括:
模块M1:对中央空调历史数据应用神经网络进行黑箱建模;
模块M2:对中央空调系统运行时进行改进粒子群算法优化;
模块M3:应用云计算平台实现云端的算法优化和指令下达。
7.根据权利要求6所述的基于神经网络和改进粒子群算法的中央空调系统优化系统,其特征在于,通过四分位法对历史数据进行数据清洗,在数据清洗完成后,通过系统负荷变换情况和控制策略对构建模型的数据进行筛选。
8.根据权利要求6所述的基于神经网络和改进粒子群算法的中央空调系统优化系统,其特征在于,在改进粒子群优化过程中,根据中央空调系统的热惯性,对优化过程中涉及的温度限制为±0.3℃,对涉及的频率限制为5Hz。
10.根据权利要求6所述的基于神经网络和改进粒子群算法的中央空调系统优化系统,其特征在于,初始化优化的粒子群优化的粒子个数n,确定粒子群优化过程中的学习因子c1和c2,粒子的初始位置X,以及优化的范围在[Xmin,Xmax],X为优化变量组成的5维数组,粒子的初始寻优速度V,以及最大的粒子寻优速度Vmax;
计算每个粒子的个体适应度,带入模型进行计算,对第i个粒子,计算该粒子的整个模型的耗能,记为Einit,i,计算该粒子的系统模型是否可以满足此时的末端负荷情况,记此时的模型计算结果为Qinit,i,计算此时系统的单耗UCinit,i;
保留此时的各粒子的适应度情况,记此时初始化完各个粒子的情况认为是粒子的个体最优情况,集为Pbest,即保留此时各个粒子的耗能、可满足的末端负荷以及该粒子的单耗,并在各个粒子中,选取满足条件的粒子,以其单耗为目标,选择全局最优的粒子,记此时粒子的状态为Gbest;
粒子群进行迭代,对于粒子i:
Vi=Vi+c1×rand()×(Pbest,i-Xi)+c2×rand()×(gbesti-Xi)
其中,Pbest,i,j-1表示第j-1次迭代过后,整个迭代过程中粒子i个体的最优位置;Gbest,i,j-1表示第j-1次迭代过后,迭代过程中全局所有粒子中最优的位置;Xi,j-1表示粒子i在第j-1次迭代的位置;rand是介于(0,1)之间的随机数;
则其粒子位置Xi的迭代:
Xi=Xi+Vi
其中,i表示第i个位置,j表示迭代的代数,X表示粒子的位置,V表示粒子的速度;
在第j次迭代中,对第i个粒子,计算该粒子的整个模型的耗能,记为Ei,j,计算该粒子的系统模型是否可以满足此时的末端负荷情况,记此时的模型计算结果为Qi,j,计算此时系统的单耗UCi,j;
比较第j次迭代中个体的适应度和之前个体最优值的大小,即比较UCi,j和Pbest,i的关系,若第j次迭代的个体适应度较优,则更新其个体最优值,将其作为新的个体最优值Pbest;将所有的个体最优值与总体最优值Gbest进行比较,若第i个粒子的个体最优值较之前总体最优值较优,则更新总体最优值,将其作为新的总体最优值Gbest;
迭代优化停止过程,当迭代次数达到预设最大迭代次数或持续多次迭代过程变化量小于预设数值时,则认为迭代完成,终止整个优化算法;
输出迭代完成后的全局最优值作为整个中央空调能耗系统的最佳节能效果值,并输出此时的X值,作为控制变量;
计算完成之后,将云计算平台上的结果传入数据库,并通过数据库传出指令到中央空调系统的控制器,进行实时的控制过程。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110264429.1A CN112923534A (zh) | 2021-03-11 | 2021-03-11 | 基于神经网络和改进粒子群算法的中央空调系统优化方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110264429.1A CN112923534A (zh) | 2021-03-11 | 2021-03-11 | 基于神经网络和改进粒子群算法的中央空调系统优化方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112923534A true CN112923534A (zh) | 2021-06-08 |
Family
ID=76172593
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110264429.1A Pending CN112923534A (zh) | 2021-03-11 | 2021-03-11 | 基于神经网络和改进粒子群算法的中央空调系统优化方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112923534A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114279235A (zh) * | 2021-12-29 | 2022-04-05 | 博锐尚格科技股份有限公司 | 基于黑箱模型与灰箱模型切换的冷却塔运行控制方法 |
CN114543273A (zh) * | 2022-02-28 | 2022-05-27 | 上海交通大学 | 一种集中空调供冷系统自适应深度学习优化节能控制算法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102980272A (zh) * | 2012-12-08 | 2013-03-20 | 珠海派诺科技股份有限公司 | 一种基于负荷预测的空调系统节能优化方法 |
WO2014022723A2 (en) * | 2012-08-01 | 2014-02-06 | Tendril Networks, Inc. | Optimization of energy use through model-based simulations |
CN106920006A (zh) * | 2017-02-23 | 2017-07-04 | 北京工业大学 | 一种基于isoa‑lssvm的地铁站空调系统能耗预测方法 |
CN107203412A (zh) * | 2017-05-04 | 2017-09-26 | 电子科技大学 | 一种基于膜系统改进粒子群算法的云资源调度优化方法 |
CN110805997A (zh) * | 2019-11-14 | 2020-02-18 | 中金新源(天津)科技有限公司 | 中央空调系统节能控制方法 |
CN112413831A (zh) * | 2020-11-25 | 2021-02-26 | 中国电力科学研究院有限公司 | 一种中央空调节能控制系统及方法 |
-
2021
- 2021-03-11 CN CN202110264429.1A patent/CN112923534A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014022723A2 (en) * | 2012-08-01 | 2014-02-06 | Tendril Networks, Inc. | Optimization of energy use through model-based simulations |
CN102980272A (zh) * | 2012-12-08 | 2013-03-20 | 珠海派诺科技股份有限公司 | 一种基于负荷预测的空调系统节能优化方法 |
CN106920006A (zh) * | 2017-02-23 | 2017-07-04 | 北京工业大学 | 一种基于isoa‑lssvm的地铁站空调系统能耗预测方法 |
CN107203412A (zh) * | 2017-05-04 | 2017-09-26 | 电子科技大学 | 一种基于膜系统改进粒子群算法的云资源调度优化方法 |
CN110805997A (zh) * | 2019-11-14 | 2020-02-18 | 中金新源(天津)科技有限公司 | 中央空调系统节能控制方法 |
CN112413831A (zh) * | 2020-11-25 | 2021-02-26 | 中国电力科学研究院有限公司 | 一种中央空调节能控制系统及方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114279235A (zh) * | 2021-12-29 | 2022-04-05 | 博锐尚格科技股份有限公司 | 基于黑箱模型与灰箱模型切换的冷却塔运行控制方法 |
CN114279235B (zh) * | 2021-12-29 | 2024-05-10 | 博锐尚格科技股份有限公司 | 基于黑箱模型与灰箱模型切换的冷却塔运行控制方法 |
CN114543273A (zh) * | 2022-02-28 | 2022-05-27 | 上海交通大学 | 一种集中空调供冷系统自适应深度学习优化节能控制算法 |
CN114543273B (zh) * | 2022-02-28 | 2022-12-02 | 上海交通大学 | 一种集中空调供冷系统自适应深度学习优化节能控制算法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110285532A (zh) | 基于人工智能的机房空调控制方法、装置及系统 | |
JP2020533547A (ja) | スマートな供給空気温度設定点制御を介する冷却ユニットのエネルギー最適化 | |
CN103912966A (zh) | 一种地源热泵制冷系统优化控制方法 | |
CN114383299B (zh) | 基于大数据与动态仿真的中央空调系统运行策略优化方法 | |
CN112923534A (zh) | 基于神经网络和改进粒子群算法的中央空调系统优化方法和系统 | |
CN113283156A (zh) | 一种基于深度强化学习的地铁站空调系统节能控制方法 | |
CN113326651A (zh) | 基于t-s模糊模型的制冷站负荷和能效比动态建模方法 | |
Fan et al. | Model-based predictive control optimization of chiller plants with water-side economizer system | |
CN113268913A (zh) | 一种基于pso-elm算法的智能建筑空调冷机系统运行优化方法 | |
Cheng et al. | A novel data-driven air balancing method with energy-saving constraint strategy to minimize the energy consumption of ventilation system | |
CN110412871B (zh) | 建筑区域内的辅助设备能耗预测处理方法及系统 | |
CN115983438A (zh) | 数据中心末端空调系统运行策略确定方法及装置 | |
CN114970358A (zh) | 一种基于强化学习的数据中心能效优化方法和系统 | |
CN116085937B (zh) | 智能中央空调节能控制方法及系统 | |
Ma et al. | Test and evaluation of energy saving potentials in a complex building central chilling system using genetic algorithm | |
CN115235050A (zh) | 一种中央空调冷水机组节能策略的模拟方法、装置 | |
CN113375311B (zh) | 一种fcu末端的控制方法、装置、介质及电子设备 | |
Yang et al. | Hybrid artificial neural network− genetic algorithm technique for condensing temperature control of air-cooled chillers | |
CN116562111A (zh) | 数据中心节能方法、装置、系统和存储介质 | |
KR20180138372A (ko) | 오프라인/온라인 하이브리드 기계학습 모델을 이용한 냉동기 최적 제어 방법 | |
CN112944599A (zh) | 空调系统的多参数耦合控制方法及装置 | |
CN111787764A (zh) | 多联机制冷机组的能耗优化方法及装置、电子设备、存储介质 | |
CN113158540A (zh) | 一种基于深度学习的空调机房能源消耗量预测方法 | |
CN115877714B (zh) | 一种制冷系统控制方法、装置、电子设备及存储介质 | |
CN112883642B (zh) | 能源站区域供冷设备系统参数优化方法、系统及介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210608 |